A Thinking Machines Lab, startup de inteligência artificial fundada pela ex-diretora técnica da OpenAI Mira Murati, apresentou nesta quarta-feira seu primeiro modelo de IA desenvolvido internamente, batizado de Inkling. Diferentemente dos modelos principais de concorrentes como OpenAI, Anthropic e Google, o Inkling possui peso aberto, o que significa que desenvolvedores e empresas externas podem baixá-lo e modificá-lo diretamente.
O Inkling é um sistema de mistura de especialistas com 975 bilhões de parâmetros no total, embora utilize apenas uma fração disso — cerca de 41 bilhões — para qualquer tarefa específica. Essa abordagem de design, comum em modelos muito grandes, mantém o sistema mais rápido e econômico para executar. O modelo foi treinado em 45 trilhões de tokens de texto, imagem, áudio e vídeo, e raciocina nativamente nos quatro formatos, segundo materiais de divulgação da empresa. Por enquanto, no entanto, suas saídas são limitadas a texto, incluindo código, artefatos estilizados e dados estruturados.
Este é o primeiro ponto público de prova da Thinking Machines Labs após um ano e meio construindo infraestrutura de IA praticamente em segredo. Parte desse trabalho já havia surgido em uma prévia de pesquisa em maio, com "modelos de interação" — IA projetada para ouvir e falar, podendo até interromper, em vez de parar e esperar como os chatbots típicos.
O lançamento também representa um teste da aposta central da startup: que IA que organizações podem adaptar para si mesmas superará os modelos genéricos que os maiores laboratórios atualmente vendem. O Inkling é projetado para fornecer respostas calibradas, incluindo sinalizar incertezas em vez de adivinhar, e permite que usuários ajustem o "esforço de raciocínio" para cima ou para baixo quando desejam trocar por velocidade.
Em um benchmark específico, a empresa afirma que o Inkling usa um terço dos tokens do Nvidia Nemotron 3 Ultra — o mais recente modelo de peso aberto da Nvidia — para atingir o mesmo desempenho em programação. A Thinking Machines não afirma que o Inkling é o melhor da categoria. Seus materiais de divulgação explicitam que o Inkling "não é o modelo mais forte disponível hoje, fechado ou aberto." O que a empresa busca, em vez disso, é desempenho versátil e customização.
Isso levanta a questão de quem, dentro do mercado empresarial que a empresa mira, este produto realmente é destinado. Por enquanto, a Thinking Machines está comercializando o Inkling menos como um produto acabado e mais como um ponto de partida, algo para organizações refinarem por meio do Tinker, a plataforma de customização de modelos da empresa. Isso também significa que os clientes, não a Thinking Machines, são responsáveis por garantir que suas personalizações sejam seguras, por exemplo.
OpenAI, Anthropic e Google adotaram abordagens muito diferentes com ChatGPT, Claude e Gemini, respectivamente, todos construídos para competir como chatbots de propósito geral primeiro, com recursos agentivos e autônomos adicionados por cima. Um artigo publicado pela Thinking Machines na semana passada serviu claramente como pano de fundo para este lançamento. IA treinada centralmente por uma empresa e depois fixada, argumentou a empresa naquele artigo, tem desempenho inferior à IA que organizações moldam porque tanto conhecimento é específico das pessoas que o detêm.
Outros argumentos contra modelos fechados estão ganhando força. Em um artigo publicado no domingo, o CEO da Microsoft, Satya Nadella — cuja empresa investiu bilhões tanto na OpenAI quanto na Anthropic — alertou que empresas que usam modelos de IA proprietários efetivamente pagam duas vezes: uma vez nos custos de assinatura, e novamente ao entregar conhecimento de negócios incorporado em seus prompts e correções, que podem ser absorvidos em versões futuras dos modelos. O CEO da Hugging Face, Clem Delangue, fez uma previsão semelhante em conversa com a TechCrunch semana passada. Modelos de fronteira, disse ele, serão cada vez mais reservados para experimentação e tarefas de alto valor, enquanto a maior parte do trabalho de IA em produção mudará para alternativas privadas ou de código aberto — a divisão exata em que a Thinking Machines está construindo.
O argumento mais claro para a abordagem da Thinking Machines veio de um projeto recente com a Bridgewater Associates, o maior fundo de hedge do mundo (que, vale ressaltar, não é investidor da Thinking Machines). Pesquisadores de ambas as empresas pegaram um modelo de código aberto existente e o treinaram adicionalmente com a própria expertise financeira da Bridgewater. O resultado supostamente alcançou 84,7% em testes de raciocínio financeiro, superando os principais modelos de IA proprietários, enquanto custava aproximadamente um décimo quarto para operar — embora esses resultados venham da própria avaliação das duas empresas, não de uma independente.
De qualquer forma, a Thinking Machines está enfatizando a rapidez com que chegou até aqui. A OpenAI levou aproximadamente cinco anos para levar sua tecnologia ao mercado e mostrar receita, e a Anthropic aproximadamente três. A Thinking Machines afirma ter feito o mesmo em cerca de nove meses.
Alguns questionarão se o Inkling foi treinado em saídas de modelos de concorrentes, uma prática conhecida como "destilação" que tem atraído escrutínio em toda a indústria. A resposta curta, segundo os próprios materiais da empresa, é parcialmente. A Thinking Machines pré-treinou o Inkling do zero, mas afirma ter usado outros modelos de peso aberto — incluindo o Kimi K2.5 da Moonshot AI — para ajudar a gerar alguns de seus dados de pós-treinamento iniciais antes que o aprendizado por reforço em grande escala assumisse. O próximo modelo, a empresa garante, usará pós-treinamento totalmente autocontido.
No lado dos custos, a Thinking Machines foi mais cautelosa. Ela fechou uma parceria com a Nvidia em março para implementar um gigawatt de capacidade de computação Vera Rubin e treinou o Inkling inteiramente nos sistemas GB300 NVL72 da Nvidia — mas não disse como planeja cobrir esses custos, e a receita, segundo a maioria das contas, não tem sido uma prioridade.
Uma questão relacionada é se os gastos da Thinking Machines algum dia alcançarão a escala dos da OpenAI ou da Anthropic, ou se sua abordagem orientada para eficiência significa que a economia parece diferente. Em outras palavras, a aposta da empresa pode ser menos que ela eventualmente gastará como seus rivais maiores do que não precisará gastar nada — porque uma vez que os pesos são públicos, nada obriga quem os baixa a pagar à Thinking Machines para executá-los, ao contrário do acesso medido que a OpenAI e a Anthropic vendem.
É no Tinker, não no modelo em si, que a empresa precisa gerar receita, por meio de treinamento, refinamento e, agora, uma parte do ecossistema de hospedagem construído em torno dele.
O quadro de funcionários, pelo menos, parece mais estável. A Thinking Machines agora emprega aproximadamente 200 pessoas, aumentando em relação aos níveis relatados após uma onda de saídas no início do ano, incluindo dois co-fundadores que saíram para a OpenAI em janeiro.
A Thinking Machines, por sua vez, não parece interessada em destacar movimentos individuais da maneira que grande parte da indústria faz. Segundo uma fonte interna da empresa, sua cultura, por design, favorece continuidade sobre dependência de qualquer personalidade. Faz sentido: é menos um contratempo quando as pessoas mudam de equipe se elas nunca foram colocas em um pedestal para começar.
Também é algo notável para uma empresa insistir, dado quanto de sua própria história ainda está associado ao nome de sua agora famosa co-fundadora, quer ela tenha planejado ou não.
Fonte: TechCrunch
